Автоматизація регресійного тестування промптів за допомогою Promptfoo

Ви оновили промпт для підтримки нового формату відповіді, а через тиждень модель почала галюцинувати на простих запитах — точність впала на 30%. Кожна зміна промпту може непомітно зламати сценарії, які працювали роками. В одному проекті зміна одного слова в промпті знизила точність на 30% і потребувала тижня ручного тестування, щоб відловити регресію. Ми використовуємо Promptfoo, щоб за пару днів побудувати автоматичне регресійне тестування і назавжди забути про такі сюрпризи. Promptfoo дозволяє виконувати тестування в 5 разів швидше ручного і дає об'єктивні метрики, такі як LLM-rubric, ROUGE-N та contains-any, замість суб'єктивної оцінки. Це відкрите CLI-додаток з десятками типів assert'ів, яке інтегрується в будь-який CI/CD-пайплайн.

Наші інженери виконали 40+ проектів з інтеграції LLM, і в усіх випадках використання Promptfoo скоротило час на виявлення регресій з тижня до кількох хвилин. Ми налаштовуємо тести під конкретні сценарії: перевіряємо наявність обов'язкових фраз, відсутність заборонених слів, порівнюємо відповіді моделей і вимірюємо схожість з еталоном через ембеддінги. В результаті ви отримуєте прозорий процес, де кожен PR перевіряється автоматично, а якість промптів контролюється метриками.

Які проблеми вирішуємо

• Регресії після змін промпту: нова умова може порушити роботу на інших кейсах. Promptfoo проганяє сотні тестів за секунди.
• Нестабільність моделей: постачальник оновив модель, і вона почала видавати інший формат. Тести ловлять це до деплою.
• Суб'єктивна оцінка: замість «здається, відповідає добре» — об'єктивні метрики (contains, LLM-rubric, ROUGE).
• Відсутність CI/CD для промптів: розробку ведуть без контролю якості — це як комітити без юніт-тестів.
• RAG-сценарії: перевірка коректності вилучення та релевантності відповіді на основі векторного пошуку.
• QA для AI: гарантія, що модель не видає некоректні або unsafe відповіді в production.

Чому регресійне тестування промптів критичне?

LLM — імовірнісні системи. Одне слово в промпті може змінити всю семантику відповіді. Без автоматичних тестів ви випускаєте зміни наосліп. Promptfoo дає гарантію, що старі сценарії продовжують працювати, а нові не ламають існуючу логіку. Це особливо важливо в production-системах з тисячами запитів на день. Згідно з офіційною документацією, Promptfoo — це інструмент з відкритим кодом для оцінки та тестування LLM промптів. Він зарекомендував себе в проектах з об'ємом до 10 тисяч запитів на добу.

Як ми налаштовуємо Promptfoo під ваші задачі?

Ми починаємо з аудиту поточних промптів: збираємо всі використовувані шаблони, виділяємо ключові сценарії і пишемо тест-кейси з expect'ами. Типовий конфіг виглядає так:

providers:
  - openai:gpt-4o
  - openai:gpt-4o-mini
  - anthropic:claude-3-5-sonnet-20241022

prompts:
  - "Summarize the following text in 3 sentences: {{text}}"
  - "Create a concise 3-sentence summary of: {{text}}"

tests:
  - vars:
      text: "Long article about machine learning..."
    assert:
      - type: contains
        value: "machine learning"
      - type: llm-rubric
        value: "The summary is accurate and covers the main points"
      - type: javascript
        value: "output.split('.').length >= 3"

  - vars:
      text: "Another test document..."
    assert:
      - type: not-contains
        value: "I cannot"
      - type: rouge-n
        value: reference_summary
        threshold: 0.5

Ми використовуємо не всі assert'и підряд, а тільки ті, що реально потрібні. Часто додаємо кастомні перевірки через JavaScript: наприклад, що відповідь містить рівно 3 пункти в markdown. Це дає 100% впевненість у форматі виводу.

Як інтегрувати Promptfoo в CI/CD?

Достатньо додати одну команду у ваш workflow:

promptfoo eval --ci

Приклад GitHub Actions:

- name: Run prompt tests
  run: npx promptfoo eval --ci

Якщо тест падає, CI завершується з помилкою — PR не мержиться. Ми також налаштовуємо автоматичний перегляд звіту через promptfoo view, щоб команда бачила диф між версіями промптів.

Що входить в роботу

• Аудит поточних промптів і виділення критичних сценаріїв.
• Написання 10–50 тест-кейсів з assert'ами під ваші метрики.
• Конфігурація Promptfoo і налаштування провайдерів.
• Інтеграція в CI/CD (GitHub Actions, GitLab CI) з повідомленнями.
• Документація і навчання команди: як додавати нові тести та інтерпретувати результати.

Процес роботи

1. Аналіз промптів — збираємо поточні шаблони, виявляємо критичні кейси (до 2 годин).
2. Проектування тестів — пишемо 10–50 тест-кейсів з assert'ами під ваші метрики.
3. Реалізація — створюємо конфігурацію Promptfoo, налаштовуємо провайдерів і змінні.
4. Тестування — запускаємо eval, фіксимо тести, що впали, уточнюємо вимоги.
5. Деплой в CI/CD — додаємо крок в пайплайн, налаштовуємо повідомлення.

Строки

Роботи займають від 3 до 7 днів залежно від кількості промптів і складності assert'ів. Вартість розраховується індивідуально після аудиту. Отримайте безкоштовну консультацію — оцінимо ваш проект за один день.

Чек-ліст: що перевірити в тестах промптів

Порівняння Promptfoo з ручним тестуванням

import promptfoo

results = promptfoo.evaluate({
    "prompts": ["Classify sentiment: {{text}}"],
    "providers": ["openai:gpt-4o-mini"],
    "tests": [
        {
            "vars": {"text": "Great product!"},
            "assert": [{"type": "contains", "value": "positive"}]
        }
    ]
})

print(f"Pass rate: {results.stats.successes}/{results.stats.total}")

Наші інженери з 5+ річним досвідом в AI/ML виконали 40+ проектів з інтеграції LLM. Ми гарантуємо, що тестове покриття буде підтримуватися і розширюватися під ваші задачі. Promptfoo — не єдиний інструмент у стеку, але для регресійного тестування промптів він найбільш гнучкий і простий в інтеграції.

Замовте консультацію — ми покажемо, як Promptfoo вбудовується у ваш існуючий workflow, і оцінимо обсяг роботи за один день. Підхід «під ключ»: від тест-кейсів до CI/CD, з документацією та навчанням команди. Отримайте безкоштовний аудит промптів — зв'яжіться з нами!

MLOps: інфраструктура для навчання, деплою та моніторингу ML-моделей

Модель навчена, метрики — F1 0.94 на валідації. Через три місяці в продакшені якість падає на 12%. Ніхто не знає, коли саме — немає моніторингу. Не можна швидко перенавчити — навчальний скрипт лежить у Jupyter-ноутбуці у data scientist’а, який вже звільнився. Дані для ретрейну збирають вручну з трьох розрізнених систем. Приблизно половина проєктів приходять до нас із цим болем. Ми будуємо MLOps платформу під ключ: від трекінгу експериментів до автоматичного деплою та моніторингу дрейфу даних. Оцінимо вашу інфраструктуру за 1–2 тижні, а через 4–6 тижнів ви отримаєте базове ядро MLOps, що працює в продуктивному контурі. Наша команда — 10+ років досвіду в ML-інфраструктурі, понад 50 впроваджень.

Як побудувати MLOps-інфраструктуру?

Experiment tracking та відтворюваність

Без трекінгу ML-проєкт перетворюється на хаос: незрозуміло, який чекпоінт кращий, які гіперпараметри використовувались, який датасет. Відтворити результат через місяць — квест.

MLflow — open source стандарт для трекінгу. Логує параметри, метрики, артефакти (моделі, графіки) та код. MLflow Model Registry — централізоване сховище моделей з версіонуванням та lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving або інтеграція із зовнішніми системами.

Типова ініціалізація в коді:

import mlflow

mlflow.set_experiment("fraud-detection-v2")
with mlflow.start_run():
    mlflow.log_params({"learning_rate": 3e-4, "batch_size": 64, "epochs": 10})
    mlflow.log_metric("val_f1", val_f1, step=epoch)
    mlflow.pytorch.log_model(model, "model")

Це мінімум. В production додаємо логування системних метрик (GPU utilization, memory), датасету (hash, версія), коду (git commit hash). Weights & Biases — більш багатий UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без зовнішніх залежностей.

DVC (Data Version Control) — версіонування даних та моделей поверх git. Дані зберігаються в S3/GCS/Azure Blob, у git — лише метадані (хеші). dvc repro відтворює весь пайплайн від сирих даних до метрик.

Як забезпечити відтворюваність навчання?

Фіксуйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) та записуйте їх у метадані експерименту. Без цього дебагінг нерегулярних результатів — біль. Логуйте версію датасету (DVC hash) та git commit — тоді будь-який експеримент можна повторити з точністю до байта. Це скорочує час на відтворення результатів у 2–3 рази.

Оркестрація пайплайнів: Kubeflow, Airflow, Prefect

Коли потрібен оркестратор пайплайнів?

Скрипт навчання на 100 рядків у cron — нормально для простих задач. Але як тільки з'являється multi-step пайплайн (завантаження даних → preprocessing → feature engineering → навчання → валідація → деплой якщо якість вище порогу), потрібен оркестратор з retry-логікою, візуалізацією, алертами.

Kubeflow — Kubernetes-native оркестратор для ML. Кожен крок — Docker-контейнер. Підтримує паралельні кроки, умовні гілки, артефакти між кроками. Інтегрується з Katib (AutoML), KServe (serving), Feast (feature store). Kubeflow краще за Airflow для ML-пайплайнів у 2–3 рази за швидкістю налаштування та інтеграції з ML-інструментами.

Apache Airflow — більш загальний DAG-оркестратор. Широка екосистема операторів (S3, Spark, DBT, Kubernetes). Простіше розгорнути, якщо в компанії вже є Airflow.

Prefect / Metaflow — менше boilerplate. Prefect 2.x з декораторами @flow та @task — швидкий старт для невеликих команд.

Типова архітектура навчального пайплайну на Kubeflow:

1. Data ingestion component — забирає дані з S3/БД, валідує схему через Great Expectations
2. Preprocessing component — трансформації, normalization, train/val/test split
3. Training component — навчання на GPU, логування в MLflow
4. Evaluation component — обчислення метрик, порівняння з baseline в Model Registry
5. Conditional deployment — деплой тільки якщо нова модель краща за поточну на >2% F1

Кожен component — окремий Docker-образ. Пайплайн версіонується в git. Запуск за розкладом (ретрейнінг раз на тиждень на нових даних) або вручну.

from kfp import dsl

@dsl.pipeline(name='training-pipeline')
def pipeline():
    data_op = data_ingestion_op()
    preprocess_op = preprocessing_op(data_op.output)
    train_op = training_op(preprocess_op.output)
    eval_op = evaluation_op(train_op.output)
    with dsl.Condition(eval_op.output > 0.95):
        deploy_op = deployment_op(train_op.output)

Model Registry та управління життєвим циклом

Model Registry — не просто сховище чекпоінтів. Це централізована система, яка знає:

• Яка модель зараз у продакшені (і з якими метриками)
• Історія всіх версій з параметрами навчання
• Метадані: датасет, git commit, результати валідації
• Lifecycle stage: None → Staging → Production → Archived

MLflow Model Registry — стандарт. Для enterprise — Vertex AI Model Registry (GCP), SageMaker Model Registry (AWS), Azure ML Model Registry.

Просування моделі через стейджі: автоматично переводимо модель у Staging після успішного проходження eval, потім ручне або автоматичне (при A/B тесті) просування в Production. Rollback — перемикання на попередню Production-версію за секунди.

Serving: від FastAPI до Triton Inference Server

Простий випадок. FastAPI + PyTorch/ONNX на одному сервері — 80% production ML deployments саме так. Достатньо для більшості задач з навантаженням до 100 req/s.

from fastapi import FastAPI
import onnxruntime as ort

app = FastAPI()
session = ort.InferenceSession("model.onnx", providers=["CUDAExecutionProvider"])

@app.post("/predict")
async def predict(request: PredictRequest):
    inputs = preprocess(request.text)
    outputs = session.run(None, {"input_ids": inputs})
    return {"label": postprocess(outputs)}

FastAPI + ONNX підходить для 80% задач, але при навантаженні понад 100 req/s Triton Inference Server дає у 3 рази вищу пропускну здатність. Triton — production-стандарт для високих навантажень (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Підтримує TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving з autoscaling, canary deployments, A/B testing з коробки. Scale-to-zero для неактивних моделей — економія на інфраструктурі до 40%.

Моніторинг: data drift, model drift, інфраструктурні метрики

Моніторинг — те, що зазвичай роблять в останню чергу і про що шкодують у першу. Три рівні.

Інфраструктурний моніторинг. Latency (P50/P95/P99), throughput (req/s), error rate (4xx, 5xx), GPU/CPU utilization. Prometheus + Grafana — стандарт. Алерт при P99 latency > threshold або error rate > 1%.

Data drift моніторинг. Розподіл вхідних даних змінюється з часом. Детектуємо через PSI (Population Stability Index) для числових ознак: PSI > 0.2 — сильний дрейф. Chi-squared test для категоріальних, Kolmogorov-Smirnov test для неперервних. Evidently AI — open source бібліотека з готовими дрейф-тестами.

Model drift моніторинг. Якщо є ground truth із затримкою (наприклад, через тиждень знаємо конверсію) — моніторимо реальні метрики. Якщо ні — surrogate метрики: розподіл prediction scores, частка confident predictions.

Alerting. Три рівні: INFO (невеликий дрейф, логуємо), WARNING (значний, повідомляємо команду), CRITICAL (якість впала нижче порогу — автоматичне перемикання на fallback-модель).

Чому важливий моніторинг дрейфу даних?

Без нього ви дізнаєтеся про деградацію моделі тільки за скаргами користувачів або дзвінким SLA. Алерт про дрейф дозволяє перенавчити модель заздалегідь, до того як помилки почнуть приносити збитки. В одному з наших проєктів моніторинг PSI виявив дрейф через 2 дні після зміни джерела даних — це врятувало кампанію з бюджетом понад $100K. За словами CTO клієнта, впровадження моніторингу скоротило час виявлення проблем з 2 тижнів до 2 годин.

Feature Store

Feature Store вирішує проблему training-serving skew. Якщо preprocessing під час навчання та інференсу реалізований у двох різних місцях — розбіжність неминуча.

Коли потрібен Feature Store?

• Кілька моделей використовують одні й ті ж ознаки
• Ознаки обчислюються з потокових даних (real-time)
• Велика команда з різними людьми на feature engineering та model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для навчання, онлайн store (Redis, DynamoDB) для low-latency інференсу. Feature definitions як код, materialization job синхронізує офлайн → онлайн.

Tecton (комерційний), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варіанти з меншим ops overhead.

Як автоматизувати CI/CD для ML?

ML CI/CD — звичайний CI/CD плюс специфічні ML-кроки.

ML-специфічні checks в CI:

• Перевірка відтворюваності: запустити навчання з фіксованим seed, результат має збігатися
• Data validation: Great Expectations або Pandera на schema/distribution checks
• Model performance check: автоматичний eval на holdout, блокувати merge якщо деградація > порогу
• Latency regression test: inference має вкладатися в SLA

GitOps для деплою. Merge в main → CI запускає навчання → eval → якщо проходить → автоматичний деплой у Staging → smoke tests → ручне просування в Production або автоматичне при успішному canary.

Інструменти: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплою на Kubernetes.

Що входить у розробку MLOps-платформи

Ми надаємо повний цикл робіт, документацію та навчання команди.

Підсумковий термін від аудиту до повноцінної MLOps-платформи: 3–5 місяців. Базовий рівень (трекінг + serving) за 4–6 тижнів. Вартість розраховується індивідуально під обсяг даних (від 1 ТБ), кількість моделей та вимоги до інфраструктури. Замовте аудит MLOps-інфраструктури — отримайте roadmap за 1–2 тижні. Зв'яжіться з нами для оцінки вашого проєкту — ми надішлемо попередній розрахунок за 2 робочих дні.

Гарантія на архітектурні рішення — 12 місяців. Надаємо сертифікати інтеграції з основними хмарними провайдерами (AWS, GCP, Azure). За час роботи ми не втратили жодного клієнта після першого впровадження — досвід 50+ успішних MLOps-проєктів говорить сам за себе. Отримайте консультацію щодо побудови MLOps платформи вже сьогодні.